[論文レビュー] Learning fermionic linear optics with Heisenberg scaling and physical operations

Aria Christensen, Andrew Zhao|arXiv (Cornell University)|Feb 4, 2026

Quantum many-body systems被引用数 0

ひとこと要約

論文はフェルミオン線形光学（FLO）を学習する効率的で物理的に適合するアルゴリズムを提示し、精度のヘイズバーグスケーリングと最小の補助系を達成する。

ABSTRACT

We revisit the problem of learning fermionic linear optics (FLO), also known as fermionic Gaussian unitaries. Given black-box query access to an unknown FLO, previous proposals required $\widetilde{\mathcal{O}}(n^5 / \varepsilon^2)$ queries, where $n$ is the system size and $\varepsilon$ is the error in diamond distance. These algorithms also use unphysical operations (i.e., violating fermionic superselection rules) and/or $n$ auxiliary modes to prepare Choi states of the FLO. In this work, we establish efficient and experimentally friendly protocols that obey superselection, use minimal ancilla (at most $1$ extra mode), and exhibit improved dependence on both parameters $n$ and $\varepsilon$. For arbitrary (active) FLOs this algorithm makes at most $\widetilde{\mathcal{O}}(n^4 / \varepsilon)$ queries, while for number-conserving (passive) FLOs we show that $\mathcal{O}(n^3 / \varepsilon)$ queries suffice. The complexity of the active case can be further reduced to $\widetilde{\mathcal{O}}(n^3 / \varepsilon)$ at the cost of using $n$ ancilla. This marks the first FLO learning algorithm that attains Heisenberg scaling in precision. As a side result, we also demonstrate an improved copy complexity of $\widetilde{\mathcal{O}}(n η^2 / \varepsilon^2)$ for time-efficient state tomography of $η$-particle Slater determinants in $\varepsilon$ trace distance, which may be of independent interest.

研究の動機と目的

• フェルミオン超選択規則に従うFLOの学習を実験的に友好的な効率的アルゴリズムで提供する。
• 能動FLOのダイヤモンド距離でヘイズバーグスケーリングを達成し、クエリ複雑性を改善する。
• 粒子数セクター内でリソースを削減した受動FLO学習を開発する。
• FLO学習を支えるSlater行列式のトモグラフィを改善する。
• 基本アルゴリズムを高精度保証へアップグレードするブートストラップ枠組みを提供する。

提案手法

• 基礎学習アルゴリズムを定数誤差からヘイズバーグスケールのダイヤモンド距離精度へ変換するブートストラップ枠組みを用いる。
• SO(2n)シャドウを用いてガウス状態の共分散行列を推定し、最大限活発な成分を抽出して能動FLOを学習する。
• 受動FLO学習をU(n)シャドウと位相推定を用いてユニタリートモグラフィへ変換し、グローバルU(1)位相までUを回復する。
• フェルミオンシャドウを用いて一-body縮小密度行列を推定し、集中特性を活用して誤差を抑える。
• パリティ超選択規則に対処するため、最大で1つの補助モードを用い、干渉計を用いてパリティセクター間の相対位相を回復する。
• 能動FLOの2段階学習を提供：共分散を学習し、次に受動残部を学習します。段階を組み合わせる際の誤差制御。

実験結果

リサーチクエスチョン

• RQ1 フェルミオン超選択規則の下で最小の補助系を用いてFLOを効率的に学習できるか。
• RQ2 ダイヤモンド距離とヘイズバーグスケーリングの下で能動・受動FLO学習の実現可能なクエリ複雑性はどれか。
• RQ3 物理的なガウス入力と操作のみを用いてFLO学習を実行できるか。
• RQ4 受動（数を守る）設定で、FLO学習を支えるSlater行列式トモグラフィをどう改善するか。
• RQ5 ブートストラップ技術は基本的なFLO学習アルゴリズムを高精度保証へ拡張できるか。

主な発見

• 能動FLO学習はダイヤモンド距離でのヘイズバーグスケーリング（1/ε）で少なくともO~(n^4/ε)クエリを達成する。
• 受動FLO学習はO~(n^3/ε)クエリを達成し、固定粒子数セクター内でO~(n^2 η/ε)へ簡略化できる可能性がある。
• η粒子 Slater行列式に制限した場合、トモグラフィはε-トレース距離精度を達成するのにO~(n η^2/ε^2)コピーを必要とし、η=1ではO(n/ε^2)。
• 基本のFLO学習アプローチは、反復の対数オーバーヘッドを伴い高精度なダイヤモンド距離保証へブートストラップ可能である。
• このアプローチはGaussian入力と操作のみを使用し、最大1つの補助だけを用い、超選択規則を遵守する。